Прогнозная аналитика для интеллектуальных агентов

rattle предназначен для того чтобы зрение портить. Красивая гуёвая игрушка для детишек дошкольного возраста.

Что касаемо мусора на входах, дык я уже сообщил, что его будем отсеивать перед обучением сети: редукция незначимых синапсов. Для этого зрение портить не обязательно, т.к. всё будет выполняться в автоматическом режиме (известных методов: вагон и полная тележка).

Это стандартный этап обучения модели. Затем, как пишет Решетов, проверяем вне набора обучения .... и свято верим результату. А точнее верим тому, что модель мы не переобучили (не переподогнали). А на каком основании мы утверждаем, что предсказательные возможностями предикторов не зависят от участка тестирования. Например, в набор предикторов включаем сам котир. Но он совершенно разный на разных участках. Или включаем машку, да полно таких предикторов, которые завися от участка котира. Но есть к примеру RSI. Тупо колеблется в интервале  и что-то там выискивает, не зависимое от абсолютных значений котира.

ПС. Модели, в которых используются любые разновидности машек дают прекрасный результат при обучении, но совершенно безнадежны в реальной торговле. 

Причём тут бай и селл? Задача ведь совсем другая. Нам нужно выяснить: есть ли жизнь после форварда.

Т.е. после того, как оптимизируем какого нибудь советника, получаем в тестере кучу успешных форвардов. Но какой из них выбрать и по каким критериям? Куча критериев: профит, профит фактор, фактор восстановления, просадка и т.д. и т.п. и куча форвардных тестов.

Можно конечно же попытаться получит ответ, создав на форуме опрос. Сбегуться флудерасты и сливальщики и начнут голосовать и одновременно холиварить с умной рожей на лице.

Поскольку ответа на вопрос не имеется, т.е. задача не формализована, но имеется куча цифровых данных, то можно попытаться поручить её решение какому нибудь алгоритму машинного обучения: бинарному классификатору (первоначально, логистической регрессии).

Если что-то получится, то хорошо. Если не получится, то либо руки были кривыми, либо остальным подсказка: не ходить по этим граблям, а искать другие грабли.

Уж извините, но я вот в очках и вижу, что НС дает в разы большую ошибку, по сравнению со случайным лесом..... Игрушка со смыслом, получается.

По поводу отбора.

Если не поверите на слово, то пересчитаю и выложу результат. В итоге он следующий:

- имеем модель с 18 предикторами.

- по приходу бара вычисляем набор предикторов

- получаем совершенно случайный набор предикторов от 6 до 18! Обращаю внимание - это на каждом новом баре. Прогнал 1000 бар.

У меня какой вывод: надо уметь подбирать предикторы, а не копаться в мусоре. 

Я тут все о своем и получается офтоп. 

Исправляю.

Берем все разнообразные показатели результативности ТС в качестве входных данных - предикторов.

Строим ZZ и используем ее в качестве целевой переменной

учим модель (лучше всего случайный лес, немного хуже SVM)

смотрим ошибку обучения

берем новый участок и для него предсказываем. Если ошибка предсказания сильно изменилась по сравнению с обучением, то лучше подальше от такой ТС. 

ПС. Вполне может быть участся найти самый "главный" показатель эффективности ТС. 

Использоваться будет SVM, хотя ничего не имею против случайных деревьев.

Что касается разных участков, дык это обязательно. Т.е. выборка будет подбираться для разных тестов и на разных участках. А иначе модель обучится "закономерностям" на каком нибудь одном участке и ясен пень, что на другом запросто покажет фигу.